基于BSFinformer模型的金融数据特征选择及预测

金融领域的长时间序列预测正在面对复杂的市场和众多金融产品的挑战,传统的时序数据预测方法在处理线性分布数据时表现良好,但对于特征参数冗余和非线性长序列金融产品数据的预测效果有限.为了解决这一问题,提出一种长时间序列预测方法BSFinformer(Boruta-SHAP+Finformer),利用金融数据的时间相关性并综合运用BorutaSHAP,Finformer等技术来完成特征选择及预测功能.该方法首先引入Boruta-SHAP模块,利用XgBoost和SHAP分析方法进行特征选择,从给定的特征集中识别出与金融时间序列预测任务相关的重要特征,并解释这些特征对预测的影响.其次,利用Transformer结构和自注意力机制,改进为Finformer模块,将长序列金融数据分解为趋势、周期和残差成分,结合稀疏自注意力机制.在多个真实金融数据集上进行了实验评估.实验结果显示,BSFinformer对金融产品的价格预测表现出优异的性能,与其他预测方法相比,能准确捕捉长期趋势和周期性来实现高质量的预测.具体地,和传统的Transformer模型相比,在三个实验数据集上,BSFinformer的均方误差分别降低了52%,16%和19%,平均绝对误差分别降低了34%,25%和11%,为金融数据的长期时间序列预测提供了一种有效的解决方案.